Download Propagation des incertitudes et calcul de courbes [...]

Version
default
Code_Aster
Titre : Propagation des incertitudes et calcul de courbes [...]
Responsable : Irmela ZENTNER
Date : 10/03/2015 Page : 1/9
Clé : U2.08.05
Révision : 13030
Propagation des incertitudes et calcul de courbes
de fragilité
Résumé :
Ce document donne les éléments pour la mise en œuvre de simulations numériques de Monte Carlo via la
distribution de calculs avec Code_Aster.
Les cinq principaux ingrédients sont :
• la création du plan d'expérience: tirage des variables aléatoires des Ns cas d'études ;
• la mise sous format Code_Aster pour le lancement de Ns études mécaniques (fichier .distr) ;
• les calculs Code_Aster ;
• les lectures des résultats de calcul et écriture dans un fichier unique ;
• le post-traitement statistique: calcul d’estimateurs statistiques classiques comme la moyenne,
l'écart-type, etc ; l'estimation des paramètres d'une courbes de fragilité log-normale
(POST_DYNA_ALEA) ; autres post-traitements ...
Manuel d'utilisation
Fascicule u2.08 : Fonctions avancées et contrôle des calculs
Copyright 2015 EDF R&D - Document diffusé sous licence GNU FDL (http://www.gnu.org/copyleft/fdl.html)
Version
default
Code_Aster
Titre : Propagation des incertitudes et calcul de courbes [...]
Responsable : Irmela ZENTNER
Date : 10/03/2015 Page : 2/9
Clé : U2.08.05
Révision : 13030
Table des Matières
1 Introduction..........................................................................................................................................3
2 Simulation de Monte Carlo avec Code_Aster.....................................................................................3
2.1 Réalisation du plan d'expérience .................................................................................................3
2.2 Définition et lancement des études distribuées avec Code_Aster ...............................................4
2.3 Récupérer les résultats des calculs dans un fichier......................................................................4
3 Post-traitements statistiques...............................................................................................................4
3.1 Calcul des grandeurs statistiques.................................................................................................4
3.2 Calcul de courbes de fragilité.......................................................................................................5
3.2.1 Définitions ...........................................................................................................................5
3.2.2 Évaluation des paramètres par maximum de vraisemblance...........................................6
3.2.3 Évaluation par régression linéaire.......................................................................................7
4 Bibliographie........................................................................................................................................8
Manuel d'utilisation
Fascicule u2.08 : Fonctions avancées et contrôle des calculs
Copyright 2015 EDF R&D - Document diffusé sous licence GNU FDL (http://www.gnu.org/copyleft/fdl.html)
Version
default
Code_Aster
Titre : Propagation des incertitudes et calcul de courbes [...]
Responsable : Irmela ZENTNER
1
Date : 10/03/2015 Page : 3/9
Clé : U2.08.05
Révision : 13030
Introduction
La méthode numérique de Monte Carlo consiste à faire Ns simulations numériques du modèle
mécanique afin d'évaluer les grandeurs statistiques des résultats de calcul. Les 3 principales étapes
d'une propagation des incertitudes par simulation de Monte Carlo sont :
•La modélisation des incertitudes : Génération d'un échantillon de Ns réalisations des données
aléatoires en entrée du modèle mécanique (paramètres aléatoires et processus stochastique),
•La propagation des incertitudes : Calcul des Ns grandeurs résultats correspondant à ces données,
•Le calcul des estimateurs statistiques des grandeurs recherchées : moyenne, écart-type, fractiles … ;
évaluation de courbes de fragilité sismique.
Dans le cadre d'une étude mécanique avec Code_Aster, on peut faire appel aux fonctionnalités de
distribution d'études paramétriques afin de réaliser une telle analyse probabiliste. En effet, dans le cas
courant où les Ns tirages et simulations mécaniques sont indépendants, on peut au préalable établir
un plan d'expériences des cas d'étude à lancer. On lance ensuite les Ns études correspondantes, et
les grandeurs statistiques sont calculées en post-traitement des résultats.
La démarche et sa mise en œuvre avec Code_Aster sont décrites dans ce document.
2
Simulation de Monte Carlo avec Code_Aster
Dans le cadre de la simulation de Monte Carlo, la modélisation des incertitudes passe par la
génération de variables aléatoires et éventuellement de processus stochastiques. Dans ce qui suit, on
suppose que l’utilisateur ait choisi des lois caractérisant bien les m paramètres incertains. Pour ce
faire, on peut avoir recours à des résultats d’essais, le jugement d’expert ou encore le principe du
maximum d’entropie (voir [R4.03.05]). Très souvent, on peut supposer que les différentes sources
d’incertitudes sont indépendantes. On peut alors effectuer des tirages aléatoires selon les m lois
marginales des variables aléatoires. Dans certains cas, on peut aussi inclure des grandeurs plus
complexes (non scalaires) comme les matrices aléatoires ou encore les processus stochastiques.
On parle aussi de plan d'expérience pour désigner la méthode de tirage et l'échantillon qui en résulte.
Dans Code_Aster, la simulation de Monte Carlo selon un plan d'expériences est possible à l’aide de
l'option calculs distribués [U2.08.07].
2.1
Réalisation du plan d'expérience
Toutes les méthodes dont les tirages sont indépendants peuvent être mises en œuvre via la
distribution des calculs avec Code_Aster. En particulier, on peut faire appel aux tirages aléatoires
selon la méthode de l'hypercube Latin (Latin Hypercube Sampling – LHS) ou le quasi Monte Carlo
(suites quasi-aléatoires comme la suite de Sobol, …) [bib4, bib5].
•Variables aléatoires: les incertitudes sur les paramètres du modèle éléments finis (paramètres
matériaux, valeurs d’un jeu, d’une raideur de butée élastiques, d’un module d’Young, etc).
•Matrices aléatoires: En dynamique des structures sur base modale, les variables aléatoires peuvent
être les valeurs des matrices généralisées de masse, de raideur et d’amortissement du modèle
aux éléments finis. Dans cette approche, on fait des tirage de ces matrices aléatoires à l'aide de
l'opérateur GENE_MATR_ALEA [U4.36.06]. Dans cette approche, on modélise à la fois les
incertitudes de modèle et de modélisation par une approche probabiliste dite « nonparamétrique ».
•Excitations aléatoires: l'opérateur GENE_FONC_ALEA permet de générer des signaux aléatoires
stationnaire à partir de la densité spectrale de puissance. L'opérateur GENE_ACCE_SEISME
permet de générer des signaux sismiques non stationnaire en amplitude et en contenu
fréquentiel. Dans d’autres cas, on peut disposer d’une base de données contenant des signaux
qui modélisent un phénomène physique aléatoire. Cela peut être le cas en analyse sismique où
un ensemble d'accélérogrammes mesurés in situ peut être fourni par des sismologues.
Manuel d'utilisation
Fascicule u2.08 : Fonctions avancées et contrôle des calculs
Copyright 2015 EDF R&D - Document diffusé sous licence GNU FDL (http://www.gnu.org/copyleft/fdl.html)
Version
default
Code_Aster
Titre : Propagation des incertitudes et calcul de courbes [...]
Responsable : Irmela ZENTNER
Date : 10/03/2015 Page : 4/9
Clé : U2.08.05
Révision : 13030
Il existe deux possibilités pour réaliser le plan d'expérience: 1) soit on crée l'échantillon des jeux de
paramètres au préalable selon la méthode de tirage souhaitée et on le stocke dans un fichier de
données, pour cela on peut utiliser un logiciel dédié comme OpenTURNS ou encore les toolbox
dédiés de Python et Matlab2) soit on utilise l'un des opérateurs du Code_Aster pour générer une
réalisation d'un processus stochastique ou d'une matrice aléatoire. Dans le cas d'un calcul dynamique
transitoire, on peut ainsi utiliser des chargements temporels aléatoires générés par le Code_Aster. On
peut bien sûr utiliser les deux options conjointement.
Remarque: Si, dans le cadre d'une analyse sismique, on dispose d'un échantillon de Ns
accélérogrammes, on peut se ramener, pour le plan d'expérience, à une variable aléatoire discrète
prenant des valeurs de 1 à Ns . Chaque entier désigne l'une des réalisations du processus aléatoire
(c'est-à-dire un accélérogramme). Le tirage par Hypercube Latin consiste alors à parcourir les entiers
de 1 à Ns .
Attention: Les commandes GENE_MATR_ALEA et GENE_FONC_ALEA génèrent la même suite de variables
aléatoires à l'intérieur d'une même exécution de Code_Aster. Ainsi, d'une exécution à l'autre, un fichier de
commande strictement identique (mêmes appels aux commandes dans le même ordre avec les mêmes
arguments) fournira exactement les mêmes résultats. Ceci est dû au fait que le générateur de variables
aléatoires utilisé par Code_Aster est toujours initialisé à la même valeur. Si l'on souhaite générer des
résultats différents d'une exécution à l'autre, alors il faut utiliser le mot-clé INIT_ALEA . En revanche,
GENE_ACCE_SEISME génère des signaux sismiques indépendants aléatoires.
2.2
Définition et lancement des études distribuées avec Code_Aster
Il faut, dans la fenêtre astk :
1
définir l'étude déterministe (fichier .comm, maillage, etc.) nominale
2
définir, dans le .comm, les valeurs nominales des paramètres (incertains) qui seront modifiés
ensuite selon le plan d'expérience
3
définir, toujours dans le .comm, la ou les variables d'intérêt et écrire ces variables dans un
fichier résultat (sous format python)
4
définir un répertoire output (type repe) où seront écrit ces résultats
5
définir le plan d'expérience dans le .distr (jeux de paramètres pour les études à lancer)
6
aller dans l'onglet « Option », choisir distrib = yes (cf. [U1.04.00] §8)
7
dans l'onglet « Option », choisir classe = distr si calculs sur le serveur centralisé
8
si utile, ajouter un fichier de type hostfile définissant les machines disponibles (cf. [U1.04.00]
§9)
Pour plus de détail, on peut consulter le tutoriel [U2.08.07].
2.3
Récupérer les résultats des calculs dans un fichier
Les résultats des calculs distribués avec Code_Aster sont écrites dans des fichiers de sortie qu'on
retrouve dans les Ns répertoires nommés CALC i , i=1, Ns (cf. [U2.08.07]). Afin de procéder au
post-traitement par un logiciel de statistique (comme OpenTURNS ou encore les toolbox dédiés de
Python et Matlab, R), il faut rassembler l'échantillon de sorties dans un fichier de résultats unique.
Ceci peut se réaliser de manière très aisée via un script python.
3
Post-traitements statistiques
3.1
Calcul des grandeurs statistiques
Manuel d'utilisation
Fascicule u2.08 : Fonctions avancées et contrôle des calculs
Copyright 2015 EDF R&D - Document diffusé sous licence GNU FDL (http://www.gnu.org/copyleft/fdl.html)
Version
default
Code_Aster
Titre : Propagation des incertitudes et calcul de courbes [...]
Responsable : Irmela ZENTNER
Date : 10/03/2015 Page : 5/9
Clé : U2.08.05
Révision : 13030
Dans le cadre d'une approche par simulation de Monte Carlo, on s'intéresse non seulement à un
résultat de calcul déterministe, mais on souhaite évaluer moyenne, médiane, écart-type, fractile et
d'autres statistiques décrivant la variable de sortie. Ceci permet notamment d'associer des intervalles
de confiance aux résultats de calcul.
Après avoir récupéré l'échantillon des sorties, on peut faire
OpenTURNS, les toolbox dédiés de Python et Matlab, R)
statistiques. En outre, des courbes de fragilité log-normales
l'opérateur POST_DYNA_ALEA de Code_Aster. Ceci est décrit
suivant.
3.2
Calcul de courbes de fragilité
3.2.1
Définitions
appel au logiciel préféré (comme
pour réaliser ces post-traitements
peuvent être évaluées à l'aide de
plus en détail dans le paragraphe
Les courbes de fragilité donnent la probabilité conditionnelle de défaillance d’une structure ou d’un
composant en fonction du niveau d’excitation sismique. La modélisation et la propagation des
incertitudes décrites ci-dessus permettent également la détermination des courbes de fragilité. Il suffit
d’introduire un critère de défaillance et de vérifier à chaque calcul de Monte Carlo si la défaillance est
atteinte ou non.
Les ingrédients principaux pour l’établissement de courbes de fragilité par simulation numérique
sont les suivants :
•Détermination de l’excitation sismique à considérer (base de données d’accélérogrammes),
•Définition de critères de défaillance,
•Modélisation des incertitudes et propagation par simulation numérique (Monte Carlo)
•Estimation des paramètres (médiane et écart-type logarithmique) de la courbe de fragilité lognormale.
La courbe de fragilité d'un composant peut être définie à partir de la notion de "capacité". La capacité
d'un composant est la valeur du paramètre représentatif de l’action sismique à partir de laquelle le
composant est défaillant. L'approche courante consiste à modéliser la capacité par une variable
aléatoire suivant une loi log-normale, telle que A=Am  , où A m est la capacité médiane et 
désigne une variable aléatoire log-normale de médiane unité et d’écart-type logarithmique  . Aussi ,
la capacité A d'un composant (et A m ainsi sa courbe de fragilité), est caractérisée par deux
paramètres qui sont la médiane (« capacité médiane ») et l’écart-type  .
Ainsi, la probabilité de ruine pour un niveau d’accélération a donné peut s’écrire [bib3, bib2]:
a
P f  a =∫ 
p  x  dx= 
0

ln  a/ Am 


loi log-normale
où  . désigne la fonction de répartition d’une variable aléatoire gaussienne centrée réduite.
L'utilisation du modèle lognormal possède l’avantage de nécessiter un nombre réduit de simulations
par rapport à un calcul direct des probabilités de défaillance. En effet, dans un calcul direct, sans
hypothèse de loi a priori, il faut déterminer des probabilités d’évènements rares (les probabilités en
queue de distribution), ce qui demande un nombre de simulations de Monte Carlo très importants.
Dans ce qui suit, nous présentons deux méthodes, l'estimation par maximum de vraisemblance et la
régression linéaire, pour évaluer ces deux paramètres.
Si l'endommagement ou la défaillance d'une structure sont caractérisés par une variable d'intérêt Y
continue, assortie d'un seuil Y s , on peut exprimer la probabilité de défaillance (du niveau de
dommage) pour un séisme de niveau a comme
P f  a = P Y Y s∣a
Manuel d'utilisation
Fascicule u2.08 : Fonctions avancées et contrôle des calculs
Copyright 2015 EDF R&D - Document diffusé sous licence GNU FDL (http://www.gnu.org/copyleft/fdl.html)
Version
default
Code_Aster
Titre : Propagation des incertitudes et calcul de courbes [...]
Responsable : Irmela ZENTNER
Date : 10/03/2015 Page : 6/9
Clé : U2.08.05
Révision : 13030
Des variables d'endommagement Y classiques pour une structure en béton sont le drift
(déplacement différentiel entre deux étages d'un bâtiment) ou encore la baisse des premières
fréquences propres. Les notations introduites ici seront utilisés pour l'évaluation d'une courbe de
fragilité par régression linaire (§3.2.2).
3.2.2
Évaluation des paramètres par maximum de vraisemblance
Dans ce qui suit, on considère que l’accélération maximale a été choisie pour caractériser le niveau
d’excitation sismique et donc la capacité. La démarche suivie consiste alors à modéliser le résultat
des expériences numériques par une variable aléatoire de Bernoulli X . En effet, pour chaque
simulation numérique i , on a deux issues possibles : soit on a atteint le niveau critique et on a
défaillance ( x i=1 ) soit on n’a pas défaillance ( x i =0 ). De même pour chaque simulation, on peut
déterminer la valeur de l’accélération maximale a i . L’estimation des paramètres d’une courbe de
fragilité peut se faire par la méthode du maximum de vraisemblance. La fonction de vraisemblance à
maximiser pour ce problème s’écrit :
N
L= Π  P f ∣a  a i  
i=1
xi
 1−P f ∣a  a i  
1− x i
x i de X prend donc la valeur 1 si on a défaillance ou 0 s’il n’y
a i . Ces événements arrivent avec la
probabilité P f ∣a donnée par l’expression (1). Les estimations des paramètres β et Am sont ceux
qui minimisent −ln L  :
 eC , Aem =arg min [ −ln  L  ] .
Dans cette expression, la réalisation
a pas défaillance pour le chargement (l’accélération maximale)
, Am
Cette étape peut être mise en œuvre en post-traitement des résultats de calculs. Dans le fichier de
commande Code_Aster, il faut, pour chaque simulation, vérifier si on a défaillance ou non. À titre
d'exemple, si le critère de défaillance consiste en une contrainte admissible, on vérifie si la contrainte
maximale calculée dépasse cette contrainte.
Puis on fait écrire, à laide de CREA_TABLE, les résultats des simulations dans une table de résultats.
Cette table doit contenir deux colonnes, PARA_NOCI et DEFA, qui renseignent respectivement la
valeur a i (la valeur PGA ou tout autre indicateur) et la valeur xi ( 1 ou 0 ).
TAB1=CREA_TABLE(LISTE=(
_F(PARA='PARA_NOCI',LISTE_R = PGA,),
_F(PARA='DEFA',LISTE_I =xi ,),
),);
Remarque : Si on renseigne une colonne DEMANDE au lieu de DEFA, alors cette colonne doit contenir
les valeurs de la demande sismique (variable d'intérêt décrivant la défaillance ou l'endommagement,
par exemple une contrainte ou déplacement maximale).
TAB2=CREA_TABLE(LISTE=(
_F(PARA='PARA_NOCI',LISTE_R = PGA,),
_F(PARA='DEMANDE',LISTE_I =demande ,),
),);
Le mot-clé SEUIL doit alors être renseigné dans POST_DYNA_ALEA pour déterminer la suite des x i .
L’opérateur POST_DYNA_ALEA [U4.84.04] permet d’estimer les paramètres de la courbe de fragilité
lognormale à partir de la table TAB1 via le mot-clé FRAGILITE:
TAB_POST=POST_DYNA_ALEA( FRAGILITE=(_F(TABL_RESU=TAB1,
AM_INI =0.3 ,
BETA_INI=0.1 ,
METHODE= 'EMV',
Manuel d'utilisation
Fascicule u2.08 : Fonctions avancées et contrôle des calculs
Copyright 2015 EDF R&D - Document diffusé sous licence GNU FDL (http://www.gnu.org/copyleft/fdl.html)
Version
default
Code_Aster
Titre : Propagation des incertitudes et calcul de courbes [...]
Responsable : Irmela ZENTNER
Date : 10/03/2015 Page : 7/9
Clé : U2.08.05
Révision : 13030
FRACTILE = (0.0,0.05,0.5,0.95,1.0),
NB_TIRAGE =Ns,
),),
TITRE = 'courbe 1',
INFO=2,);
On donne des valeurs initiales des paramètres Am et  à estimer (point de démarrage pour
l’algorithme d’optimisation) via AM_INI et BETA_INI. Si l’on renseigne le mot-clé FRACTILE, on
détermine également les fractiles (intervalles de confiance) de la courbe de fragilité par une méthode
de ré-échantillonnage (dite méthode de « bootstrap »). Le ré-échantillonnage consiste à tirer de
nouveaux échantillons à partir des valeurs de l’échantillon original. Ces tirages s’effectuent avec
remise, voir [bib1] pour plus de détails. Ensuite, on détermine les paramètres de la courbe de fragilité
pour chaque échantillon « bootstrap », ce qui donne un échantillon de courbes de fragilités. On
détermine alors les fractiles pour l’échantillon de courbes de fragilités obtenu. En général, on tire
autant d’échantillons « bootstrap » qu’on dispose de valeurs dans l’échantillon original. Il est
néanmoins possible de travailler avec un nombre de tirages inférieur en renseignant NB_TIRAGE (par
défaut le nombre de tirages correspond à la taille de l’échantillon original, ici Ns ). Dans l’exemple cidessus, on détermine donc les courbes enveloppes (fractiles 1.0 et 0.0 ) ainsi que la médiane
0.5 et les fractiles à 0.05 et 0.95 .
Dans le graphique ci-dessous, on donne un exemple de courbe de fragilité pour Am =0.68 et
β=0 . 25 :
Figure 3.2.2-a : Probabilité conditionnelle de défaillance en fonction du PGA
3.2.3
Évaluation par régression linéaire
La régression est une méthode très répandue pour déterminer les paramètres d’une courbe de fragilité
log-normale. Elle est pratiquée surtout aux États-Unis pour évaluer la fragilité des structures civiles
comme les routes, les ouvrages d’art et bâtiments publics.
Dans cette approche, on relie la variable d’intérêt Y (le drift par exemple), à la valeur de l’indicateur
sismique a (par exemple le PGA) via une relation du type :
Y =b ac 
Dans l’expression ci-dessus,  est une variable aléatoire log-normale qu’on peut définir à partir de la
variable normale centrée réduite U : =exp U  , et les variables b et c sont les paramètres
du modèle. Ces derniers sont obtenus par une régression linéaire à l’aide de l’expression suivante:
Manuel d'utilisation
Fascicule u2.08 : Fonctions avancées et contrôle des calculs
Copyright 2015 EDF R&D - Document diffusé sous licence GNU FDL (http://www.gnu.org/copyleft/fdl.html)
Version
default
Code_Aster
Titre : Propagation des incertitudes et calcul de courbes [...]
Responsable : Irmela ZENTNER
Date : 10/03/2015 Page : 8/9
Clé : U2.08.05
Révision : 13030
ln (Y )=ln (b)+c ln(a)+ϵ
où  est une variable aléatoire normale (Gaussienne) centrée d’écart-type σ telle que ϵ
=σU .
Avec ces notations, la probabilité de défaillance s’écrit comme une probabilité conditionnelle, en
fonction du niveau sismique a et pour un seuil Y s :
P f  a = P Y Y s∣a=1− P Y Y s∣a .
Y , on obtient l'expression analytique de
En tenant compte de l'expression log-normale de la variable
la courbe de fragilité:
c
(
ln (b a /Y s )
P f ( a )= Φ
σ
)
A l'aide de la droite de régression, on peut exprimer le seuil médian
c
s
Y s à partir de la capacité
Y s=b a  . Si on considère un seuil critique « best-estimate » qu'on assimile à la
valeur médiane dans la démarche incertitudes, on peut noter Am =a s . On aboutit ainsi à l'expression
médiane comme
de la courbe de fragilité log-normale:
( ln( aβ/ A ) )
P f ( a )= Φ
m
où β
=σ/c avec l’écart-type de l’erreur de régression σ. En pratique, la valeur de la capacité
médiane peut être déduite directement de la courbe de régression et s’exprime à partir des paramètres
de cette dernière comme
Am =exp
[
ln Y s /b
c
]
Il est important de souligner que ce modèle permet de tenir compte du comportement
hétéroscédastique (la variance de Y dépend des paramètres du modèle et n’est pas constante).
L’opérateur POST_DYNA_ALEA [U4.84.04] permet d’estimer les paramètres de la courbe de fragilité
lognormale par régression à partir de la table TAB2 du §3.2.2 via le mot-clé FRAGILITE:
TAB_POST=POST_DYNA_ALEA( FRAGILITE=(_F(TABL_RESU=TAB2,
METHODE= 'REGRESSION',
SEUIL=0.05,
),),
TITRE = 'courbe 2',
INFO=2,);
L'expérience montre que la dispersion (variabilité) de Y augmente avec le niveau sismique. En
revanche, au contraire de la méthode de maximum de vraisemblance, l'écart-type logarithmique ne
dépend pas du seuil.
Manuel d'utilisation
Fascicule u2.08 : Fonctions avancées et contrôle des calculs
Copyright 2015 EDF R&D - Document diffusé sous licence GNU FDL (http://www.gnu.org/copyleft/fdl.html)
Version
default
Code_Aster
Titre : Propagation des incertitudes et calcul de courbes [...]
Responsable : Irmela ZENTNER
Date : 10/03/2015 Page : 9/9
Clé : U2.08.05
Révision : 13030
Figure 3.2.3-a : Exemple de nuage de points et courbe de régression: variable Y en fonction du PGA.
4
Bibliographie
[bib1] Saporta G., Probabilités, analyse de données et statistique. Editions Technip, 2006.
[bib2] Zentner I., Numerical computation of fragility curves for NPP equipment. Nuclear Eng. Design
240:6 (2010) 1614-1621.
[bib3] EPRI, Seismic Probabilistic Risk Assessment Implementation Guide, Final Report 1002989,
2003.
[bib4] Lefebvre Y., de Rocquigny E., Dutfoy A., Delcoigne F., Sudret B., Cagnac A., Guide
Méthodologique pour le traitement des incertitudes. Note EDF R&D HT-56-2007-01798, 2007.
[bib5] De Rocquigny et al. Uncertainty in Industrial Practice. Wiley & Sons Ltd., 2008.
[bib6] Ellingwood B.R., Kinali K. Quantifying and communicating uncertainty in seismic risk
assessment. Structural Safety 31(2) , 2009.
Documentation Code_Aster
[R4.05.05] Génération de signaux sismiques
[U1.03.02] Méthodes d'accès aux objets Aster
[U2.08.07] Calculs paramétriques – Distribution de calculs
[U1.04.00] Interface d'accès à Code_Aster: astk
Manuel d'utilisation
Fascicule u2.08 : Fonctions avancées et contrôle des calculs
Copyright 2015 EDF R&D - Document diffusé sous licence GNU FDL (http://www.gnu.org/copyleft/fdl.html)